一、离散K-L变换在汽车车牌字符识别中的应用一例（论文文献综述）
韩伟健[1]（2020）在《基于机器视觉的复杂条件下车牌识别研究》文中研究说明随着中国经济的飞速发展,国内很多城市交通拥堵已经成为了一种常见现象,特别是假日旅游时,交通拥堵,车祸频发。随着城市数字化发展,无人驾驶技术的提出,智能交通系统也应运而生,用机器视觉代替人眼视觉,不仅可以提高工作效率、降低劳动强度,更可以节省大量的人力、物力、财力,使城市交通更加智能地发展。本文研究了车辆在高速行驶时、以及在夜晚昏暗灯光下等复杂条件下的车牌字符识别,通过维纳滤波复原以及图像增强技术可以有效的将低质量图像变为符合后续实验要求的图像。车牌识别主要由车牌图像采集、车牌定位、字符分割、字符识别这四个部分组成。本文利用工业相机获取车牌图像,再用MATLAB软件进行图像预处理,采用像素点统计的方法进行车牌定位,垂直投影和模板匹配相结合的算法进行字符分割,最后提出了神经网络和模板匹配相结合的算法完成了车牌字符识别。实验证明本文的识别算法有效的提高了字符识别的准确率,并且能够在复杂条件下完成识别。
尹子豪[2]（2020）在《热连轧钢坯编码字符识别与测温系统研究与实现》文中进行了进一步梳理在推进制造业转型升级过程中,钢铁行业作为传统制造业的典型,其良好的信息采集基础和落后的人工管理模式之间的矛盾亟待解决。引入自动化和智能化的软件模型,对其进行逐步改造,成为钢铁行业推进智能制造的突破点。为实现热连轧产线钢坯入炉统计自动化以及钢坯温度的自动测量,替代现有模式下人工统计入炉钢坯信息的落后管理方式,提高原料管理效率,达成钢坯入炉管控调度的精细化管理,研发实现热连轧钢坯编码字符识别与测温系统。本文的主要工作和创新点:（1）论文以热连轧入炉钢坯编码字符识别为研究对象,对传统字符识别方法进行了大量的理论研究,通过实验对传统字符识别各环节的图像处理算法进行了分析选择。对比模板匹配方法和BP网络算法,优化BP算法在钢坯字符识别中的应用。在此基础上,利用Halcon图像处理算子实现了系统的初步快速搭建。（2）为提高钢坯编码识别准确率,对基于深度学习的目标检测方法进行了研究。结合基于候选框的Faster R-CNN系列方法,以及端到端YOLO方法的特点,应用并改进SSD网络模型,利用TextBoxes的针对字符识别的思想,提高了钢坯编码的识别准确率,且实时性高,满足了热连轧入炉区域的钢坯自动统计需求。（3）在图像获取和温度检测设计中,创新性地将二者结合,灵活运用相机动态检测功能,通过对图片文件的监听,利用socket通信方式,实现钢坯温度的自动测量,并经过现场应用的有效验证。（4）结合生产工艺,测温方法设计以及高准确率的深度学习字符识别方法,通过硬件和软件的选型设计和搭建,实现了热连轧钢坯编码字符的在线识别和温度的快速检测。系统输出的钢坯编码识别和测温结果对于产线MES系统的实时生产跟踪和激光打码信息的对应实时生成具有重要意义,推进了热连轧产线智能化改造。
杨士东[3]（2020）在《特殊环境下的车牌识别算法》文中进行了进一步梳理在汽车数量快速增长的当今时代,交通问题也随之日渐突出,为了提高交通的智能化水平,智能交通技术应运而生,车牌识别是智能交通的重要领域,在车牌识别领域产生了许多重要的研究成果。在传统的车牌识别系统中有车牌定位、车牌校正、车牌字符分割、车牌字符识别这些步骤,误差会在不同的模块中一直积累,降低车牌的识别率。尤其在一些光照不足的特殊环境下,误差的影响就更加严重了。所以对特殊环境下的车牌定位技术进行研究,仍具有一定的现实意义和市场价值。首先,在保证图像纹理特征的前提下对图像进行光照增强处理,增强处理采用频域中的同态滤波技术,同态滤波的常见几种滤波器拥有参数过多,计算复杂,参数值选择困难的问题,针对这些问题,对其中的传统高斯滤波器进行改进,使用类似于高斯滤波器的函数代替高斯滤波器,减少参数的数量,函数复杂度也降低了,实验表明,对图像的运算效率提高了,图像的光照效果也得到了很好地补偿。其次,在车牌定位环节,在HSI空间中对图像进行亮度局部同态滤波增强,对饱和度进行拉伸,之后回到RGB空间,针对蓝色和黄色车牌的共同颜色特征和纹理特征,设计了一种基于像素间双通道差异值的车牌定位算法。在RGB空间中,对两种车牌进行直方图分析,为更突出两种车牌的底色黄色和蓝色,将红绿蓝三分量中的中间值绿色置零,所有像素进行二值化,得到预处理图像,对预处理图像中的车牌底色和字符做差,于是提取到了车牌字符的跳变点图像,再使用投影方法确定车牌位置,本算法能同时进行两种颜色车牌的定位,综合了车牌颜色和字符纹理的特征,不依赖于车牌的边框,定位效率显着提高。然后,针对车牌倾斜校正大多依赖车牌的直线边框问题,引入图像低秩纹理不变性算法,在车牌的倾斜校正实验中,效果良好,仅依据未倾斜车牌的最小秩数值,就实现了车牌的校正。在字符分割时,针对传统投影算法分割不准,字符断裂的问题,在分割过程中插入了一个字符模板,降低了字符断裂概率的出现,使分割出的字符更完整。最后,在Le Net-5的基础上,使用改进的网络结构,使用双层的Le net-5神经网络,根据车牌字符特点,调整模型的参数和激励函数,对网络进行优化训练,结果表明,双层的Le Net-5识别效率优于原始的Le Net-5模型,和模板匹配、BP神经网络相比,有明显优势。
张帅[4]（2020）在《污损车牌识别系统设计》文中研究指明随着经济的不断发展进步,人们的生活水平也在不断提高,各国的汽车保有量也在迅速上涨,由此所引发的交通问题也逐渐引起的人们的重视。为了解决日益严重的交通问题,提升交通的效率,关于智能交通系统的研究和应用也逐渐增多。车牌作为汽车的唯一性标志,一旦识别了车牌,便可以一目了然地获取车辆的所有信息,因此车牌识别的研究对于智能交通系统尤为关键。车牌识别系统作为智能化交通管理系统中至关重要的环节,在公路电子收费、出入控制和交通监控等众多场合得到了广泛使用。现阶段,车牌识别系统识别正常环境下不存在污损情况车牌准确率相对较高,但对于恶劣环境下拍摄或者存在污损情况的车牌识别准确率相对较低。针对这一情况,本文提出了一种污损车牌识别系统,大大提升了污损车牌识别的准确率,对于构建智能化的道路交通管理具有积极地作用。本次设计的目的是研发一套识别率高、错误率低、耗时短,并且能够有效判定识别污损车牌的车牌识别系统。污损车牌识别系统主要由三部分组成,包括了车牌图片处理、车牌提取以及车牌识别。车牌图片处理部分,主要包括车牌污损情况判定、车牌污损修复、高斯平滑滤波处理、灰度化处理、自适应分段式灰度变换以及直方图均衡化。在车牌提取部分,宏观上分成了产生车牌区域和筛选车牌区域两个步骤,其中产生车牌区域主要包括有车牌图像边缘检测、二值化处理、膨胀腐蚀处理以及图片的分割;筛选车牌区域主要由SVM分类和车牌图像查找和筛选组成。最后车牌识别部分,首先对筛选到车牌图片进行倾斜校正,再利用OCR分割函数对车牌字符进行分割处理,接着提取字符特征,最终运用人工神经网络识别法和基于字符特征识别法对车牌字符进行识别。总体上构建了一个较为完整的污损车牌识别系统。本次设计车牌识别系统是基于OpenCV函数库进行实现,提高了程序的可靠和准确性;依据车牌字符垂直投影跳变次数判定污损车牌,采用Criminisi算法对污损车牌进行修复;在车牌字符识别过程中,采用人工神经网络法结合基于字符特征识别法对车牌中的数字、字母、汉字进行分类训练识别,使得系统的车牌识别率较为理想。通过对系统进行测试验证,发现本系统相较于同类系统,在车牌定位、字符识别的准确率上均比较理想。
袁纵青[5]（2020）在《基于机器视觉的汽车零部件字符检测系统设计与实现》文中提出在汽车零部件的生产过程中,不同零件的表面会有不同的压印字符,用于对零件的产品型号以及生产日期等信息进行标识,方便在生产过程中对零件的质量控制以及后续的产品追溯。由于工业环境的复杂性,传统的零件表面字符信息都是通过人工进行检测并且手动输入计算机进行信息管理。但是,由于零件产品类型较多并且批量大,使用人工的方式会带来效率低、容易出错、人工成本大等问题。在工业4.0的不断推动下,自动化、智能化生产成为引领行业的先锋,ERP管理系统大量引入汽车零部件制造厂,本文通过对零件表面压印字符进行分析,根据检测需求,设计了一套基于机器视觉的汽车零件字符检测系统,满足企业的自动化生产要求,在设计的过程中主要研究内容如下:（1）在图像采集阶段,选择了白色LED光源和同轴照明的方式,并结合工业面阵相机和镜头完成零件字符图像的采集,在一定程度上解决了零件表面反光的问题。（2）在图像的预处理阶段,针对零件字符图像对比度不高的问题,研究对比了几种图像增强算法,选用Retinex算法增强零件字符图像。其次,使用双边滤波方法对零件字符图像进行滤波去噪,获得质量较好的字符图像。针对零件上料过程中容易出现的倾斜问题,结合零件表面特征,使用Hough变换的方法找出零件上端最长直线,根据直线的倾斜角度对字符图像进行倾斜校正。（3）在字符定位算法研究中,根据零件压印字符的特点和已知字符的信息使用基于归一化积相关的模板匹配方法完成字符区域的定位;其次,对定位好的字符区域使用改进的投影法进行单个字符的分割,能够完成正常字符和粘连字符的自适应分割;在字符识别算法研究中,使用三种方法对零件字符识别进行研究,从识别率、识别速度、以及抗噪声能力三个方面对识别结果进行了评价,最后使用HOG+SVM方法进行零件字符识别。（4）对检测系统的硬件进行搭建,整合上述图像算法,完成上位机界面的开发。针对多种型号的零件选择合适的倾斜校正和字符定位方法,使用本系统的字符分割以及识别方法进行零件字符检测识别,测试结果表明,该系统能够实现多零件压印字符的识别,满足企业的检测要求。
覃传妹[6]（2019）在《基于LabVIEW的车牌识别小区智能门禁系统》文中进行了进一步梳理随着汽车行业的迅猛发展及人们消费水平的不断提高,智慧交通已成为各路要道管理系统不可或缺的一部分。智慧交通系统中的车牌识别技术,已成当今热门研究课题。本设计研究对象是基于LabVIEW软件平台开发的车牌识别小区汽车门禁系统,系统包含软、硬件部分。因硬件部分受实验条件限制,则把设计重点放在车牌识别的软处理上。主要设计任务有3个:图像预处理、车牌定位、字符分割与识别。由于图像处理算法有很多种,所以通过实验对比后,选出最佳处理法。设计方法如下:⑴图像预处理。车辆检测装置触发摄像后,通过USB总线及LabVIEW软件的图像采集驱动函数,把图像信号传输到处理器（计算机）。图像预处理把采集到的图像进行灰度化、增强与滤波。本文使用加权平均法灰度化;直方图均衡化法增强;中值滤波去除噪声。最后结果得到亮度均匀、目标（车牌区域）与背景灰度差大、清晰度高的图像。⑵车牌定位。定位是为了获取车牌特征信息以便截取车牌区域。先采用迭代聚类阈值分割法把目标图像颗粒与背景颗粒隔离,再用形态学处理法滤除非目标颗粒,保留下车牌区域,实现初定位。为了提高定位准确度,再结合基于标记图像的分割法和车牌长宽比特征值法来排除与目标颗粒特征值高度相同的背景颗粒,最后精确定位到车牌。⑶字符分割与识别。由于直接分割与识别截取到的车牌图像会造成大误差,则本文先用局部阈值分割法加形态学处理法把图像二值化、滤波,然后用点-坐标矫正法进行倾斜矫正,最后分割与识别可用改进的基于LabVIEW的OCR法进行,结果表明提高了识别率。结果表明,预处理后的图像亮度均匀、目标与背景灰度差增强,为定位成功奠定基础;初步定位再精确定位法,让车牌区域颗粒连通性更好、边界更清晰,才能准确得出车牌特征值,进一步才可截取车牌区域;分割与识别是最终目的,它在定位到的车牌图像上进行,通过选用的算法,获得目标字符是白色、背景为黑色的图像,图像上字符清晰无干扰、笔划连通、边界平滑、字体规范,使分割与识别准确率达到90%以上。
吴海雯[7]（2019）在《基于BP算法的车牌识别与应用》文中研究指明近些年来我国经济不断进步,不同类型的车辆数越来越多,从而给交通管理带来了巨大的挑战。因此智能的交通管理系统让机动车的管理更数字智能化,另一方面,促进交通管理,确保日常交通安全和监控,避免交通拥堵,对交通管理的自动化非常重要,具有很大的实施可能性。一直以来也备受关注。其中对机动车的车牌识别技术（Vehicle License Plate Recognition,VLPR）的研究就变得非常重要,监控管理,违章管理等等都要利用此技术进行管理。目前机动车识别系统主要特点是车牌采集、图像预处理、定位车牌、字符分割、字符识别。科技发展迅速,识别系统也是越来越完善,当下在各个领域应用的比较好,本文主要研究的是智能停车场中的车牌识别所使用的技术和算法研究,在传统的基础上相应作出一些改进。论文中图像预处理模块是将先把摄像机拍摄的彩色照片处理成灰色照片,因为彩色照片占内存,再次对灰度化图像进行增强和平滑处理,最后运用Roberts算法进行边缘检测简化图像信息确定车牌的位置;车牌定位是利用图像腐蚀,图像膨胀,开、闭运算方法找出车牌的位置,然后利用Radon变换把车牌进行校正;字符分割里通过传统Ostu算法和改进后的算法进行比较,选择合适的图像二值化处理方式,滤波去除噪音,此基础上使用垂直投影法,让字符达到分割的目的,分割的字符大小上不一致,需要字符归一化处理;字符切割出来后,通过字符提取过程进行的字符提取,主要是在模板匹配和BP神经网络的算法识别的基础上生成独立的字符,得出最后结果。目前智能管理系统在智能停车场应用率比较高。因此管理系统在理论的基础之上,利用Matlab软件开发了车牌识别系统,并对系统功能进行了实验测试。而且结果显示,车牌识别系统对车牌定位、分割和识别是非常准确的,其中的系统算法也简单,具有实用的价值。
张解放[8]（2019）在《融合Retinex和非下采样Contourlet图像增强的车牌识别算法研究》文中提出经济的快速发展,生活质量的不断提高,使用汽车的频率越来越高,车牌识别系统（LPR）也是进步迅猛。在现实生活中,拍摄到的画面并不是在理想的情况下,因此对此时图像实施车牌识别时会很有难度,容易识别错误。LPR相比于其他的图像识别系统对及时性与准确性的要求会更严格,固然国内外学者已经做了许多研究,但对于复杂环境下车牌识别技术仍存在缺陷。本文先是对国内外车牌识别技术的现状进行学习,在研究现有算法基础上提出车牌识别算法的改进。本文主要针对车牌系统的预处理、字符识别两个方面做的改进,并依据所改进的算法实现了车牌识别系统。本文主要工作和创新点如下:一是对车牌预处理阶段的图像增强,针对在雾霾等恶劣天气条件下部分车牌图像中存在的对比度不足、整体偏暗等问题,提出了融合Retinex的非下采样Contourlet域的改进图像增强算法。改进后的车牌图像预处理算法能够明显改善图像对比度与信息熵,因此改善了图像视觉感观,使图像在预处理阶段得到一次有效加强,为后面的字符分割及识别处理提供前期条件。二是针对车牌字符识别方面的改进,在前期的预处理和字符分割完成后,分析现在的车牌字符识别算法的基础上得出因样本空间分类多导致网络训练失败的缺点,而卷积神经网络（CNN）采用梯度的修改反向传播方法,能够直接克服上述不足,所以采用CNN对车牌字符进行识别。根据CNN算法理论,提出了一种六层的卷积神经网络结构,能够克服训练失败、延时大的缺点,对算法进行实验,实验显示改进算法能够明显的提升识别率。三是结合上面的预处理阶段的改进算法,在MATLAB平台实现了车牌识别系统,能够对拍摄到的光照偏暗、有噪声的车牌图像进行有效的处理,并得到正确的识别结果。图[30]表[4]参[55]
徐晗升[9]（2019）在《基于机器视觉的汽车刹车片外观质量检测系统研发》文中研究指明汽车刹车片作为汽车制动系统中的一个重要组件,其质量好坏直接影响行车安全。基于机器视觉的汽车刹车片外观质量检测系统通过机器视觉的手段实现刹车片的字符识别和卡口尺寸测量,是实现汽车刹车片外观质量检测自动化的重要手段,本文研究了刹车片外观质量检测照明系统的质量检验方法、字符检验算法、双相机卡口尺寸测量系统及其算法。主要研究内容和结论如下:1)刹车片外观质量检测照明系统的质量检验方法。就7项灰度特征指标与照度均值、照度标准差之间的相关性进行分析,确定使用灰度分布程度V表征照度均值,灰度分布性G表征照度标准差,使用基于灰度分布程度V和灰度分布性G融合的检验模型实现照明系统设计质量检验。试验结果表明:双指标融合的检验模型可有效地实现照明系统设计质量定量检验,正确率为90.99%。2)字符检验算法。通过OTSU算法、高斯滤波和膨胀腐蚀进行预处理,采用BLOB分析提取定位孔区域,借助最小二乘法实现圆拟合,通过仿射变换进行图像旋转校正,结合刹车片的尺寸特征完成字符区域定位;对比分析提取轮廓边缘和提取字符整体的结果,选用结果更好的提取字符整体的自适应阈值分割方法,通过投影法实现模板提取;进行字符模板匹配,通过图像填充避免重复检验,根据图像中剩余的黑色像素数及字符排序情况判断字符压印正确与否。试验结果显示:在本研究中,字符的检验速度为1.900s/幅,检验正确率为100%。3)基于双相机的汽车刹车片卡口尺寸测量。根据图像空间和实际空间的距离转化进行标定和尺寸测量的原理分析,并设计双相机尺寸测量硬件系统,采集标准器和刹车片图像,采用Sobel算子提取边缘,通过最小二乘法进行拟合,依据相应原理实现标定和尺寸测量。分析11项测量变量造成的测量误差,计算误差传递系数,并建立误差传递模型,合成误差为0.0131mm。试验结果显示:100组图像的测量结果误差均在±0.02mm内,满足卡口尺寸测量的精度要求。上述研究成果为机器视觉检测照明系统质量检验提供了一种新的检验方法,为通过机器视觉的方法实现汽车刹车片字符检验和卡口尺寸测量奠定了一定的方法和技术基础,有助于实现汽车刹车片外观质量检测的自动化。
黄榜[10]（2019）在《基于深度学习的多车牌字符识别算法研究》文中研究指明随着社会经济的高速发展,汽车数量的急剧增加,智能交通管理成为当今社会主流,其中车牌识别是智能交通的核心环节之一。目前,市场上已出现各种各样的车牌识别系统产品且取得不错效果,但针对单一车牌来说,当光照不足、背景复杂、车牌倾斜变形时,识别效果就差强人意了。如何克服这些问题,让车牌识别系统变得更加稳定和通用,成为新的研究热点。本文就近几年在图像识别领域取得巨大成就的深度学习方法进行研究,采用其中的卷积神经网络来实现多车牌字符识别,主要包括三个步骤:车牌定位、字符分割和字符识别。首先是车牌定位环节。由于拍摄的图像质量参差不齐,提出基于改进二维离散小波变换的图像增强方法改善图像质量,获取车牌边缘信息;接着,利用车牌字符在车牌底色上整齐排列产生规律的纹理信息,检测到车牌边缘线的跳变次数,可以粗略定位车牌所在行;然后,根据车牌底色的阈值范围,将小范围的车牌信息图经过颜色空间转换,找到多车牌的可能位置;最后,通过先验知识,筛选车牌,精确定位所有车牌。实践证明,这种定位方法准确率高、速度快。但其中的颜色筛选过程对光照敏感,使得夜晚的定位效果欠佳,因此,又加入基于机器学习的方法弥补这一不足,通过Adaboost算法对特征进行训练,不依赖于颜色特征检测车牌,实现夜晚条件下的多车牌的定位。其次,字符分割是中间环节。由于拍摄角度可能影响车牌倾斜,因此,提出基于角点仿射变换的方法来快速矫正倾斜车牌。其主要思想是根据车牌的形状特征,找到车牌矩形框的角点,取其中不共线的三个点仿射变换成直角三角形,实现整个车牌的倾斜矫正;接着,对于矫正后的车牌提出基于垂直投影和连通域判断的方法分割字符,得到用于识别的单个字符。最后是字符识别。通过分析当前流行的AlexNet、VGGNet、GoogLeNet和ResNet等卷积神经网络,根据字符识别的难度和特点,设计基于改进的AlexNet模型用于字符识别。由于整个网络的模块较多、不同的卷积核大小、批量化大小和Dropout率对于网络性能的影响不一,需要通过设计实验来得到最优化的网络参数;最后,通过开源的OpenCV平台,将字符识别结果打印在待识别的车牌图像上。
二、离散K-L变换在汽车车牌字符识别中的应用一例（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、离散K-L变换在汽车车牌字符识别中的应用一例（论文提纲范文）
（1）基于机器视觉的复杂条件下车牌识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 车牌识别研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 车牌识别应用场景 |
| 1.4 本文结构 |
| 第2章 系统结构及关键技术 |
| 2.1 车牌识别系统结构 |
| 2.2 图像滤波技术 |
| 2.3 边缘检测 |
| 2.4 本章小结 |
| 第3章 夜间车牌图像处理 |
| 3.1 灰度变换增强技术 |
| 3.2 实验及结果 |
| 3.3 本章小结 |
| 第4章 运动模糊车牌图像处理 |
| 4.1 运动模糊 |
| 4.2 运动模糊技术难点 |
| 4.3 图像复原算法 |
| 4.3.1 有约束最小二乘方算法 |
| 4.3.2 Richardson-Lucy复原算法 |
| 4.3.3 维纳滤波复原算法 |
| 4.4 本章小结 |
| 第5章 车牌定位 |
| 5.1 车牌图像预处理 |
| 5.1.1 灰度化 |
| 5.2 边缘检测 |
| 5.3 形态学处理 |
| 5.3.1 腐蚀 |
| 5.3.2 膨胀 |
| 5.3.3 开运算 |
| 5.3.4 闭运算 |
| 5.4 车牌精确定位 |
| 5.4.1 Y方向定位 |
| 5.4.2 X方向定位 |
| 5.4.3 牌照的精确分割提取 |
| 5.5 车牌倾斜校正 |
| 5.5.1 Radon算法原理 |
| 5.5.2 倾斜车牌校正步骤 |
| 5.6 本章小结 |
| 第6章 字符分割 |
| 6.1 车牌二值化 |
| 6.1.1 双峰法 |
| 6.1.2 P参数法 |
| 6.1.3 最大类间方差法 |
| 6.2 常用的字符分割算法 |
| 6.2.1 基于连通域提取的分割算法 |
| 6.2.2 基于模板匹配的分割算法 |
| 6.2.3 基于二分法的字符分割 |
| 6.2.4 基于垂直投影的字符分割算法 |
| 6.3 模板匹配和垂直投影相结合的分割算法 |
| 6.4 字符归一化 |
| 6.5 本章小结 |
| 第7章 字符识别 |
| 7.1 字符特征提取 |
| 7.2 常用的字符识别方法 |
| 7.2.1 模板匹配字符识别算法 |
| 7.2.2 特征匹配字符识别算法 |
| 7.2.3 神经网络字符识别算法 |
| 7.3 基于模板匹配的字符识别 |
| 7.4 模板匹配和神经网络相结合的字符识别算法 |
| 7.4.1 神经网络介绍 |
| 7.4.2 BP神经网络 |
| 7.4.3 神经网络设计及实验结果 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 总结与创新点 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
（2）热连轧钢坯编码字符识别与测温系统研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究内容及意义 |
| 1.3 字符识别识别国内外研究现状 |
| 1.3.1 传统字符识别方法的研究现状 |
| 1.3.2 基于深度学习的字符识别研究现状 |
| 1.4 主要研究内容和结构安排 |
| 第2章 钢坯编码图片获取与预处理 |
| 2.1 钢坯编码图片及获取 |
| 2.2 钢坯编码字符图片预处理 |
| 2.2.1 图像滤波 |
| 2.2.2 钢坯端面图像滤波效果分析 |
| 2.2.3 图像的灰度化和二值化 |
| 2.2.4 图像倾斜校正 |
| 2.3 钢坯编码字符区域定位 |
| 2.3.1 基于颜色特征的字符定位方法 |
| 2.3.2 基于结构特征和模板匹配的字符定位方法 |
| 2.4 本章小结 |
| 第3章 钢坯编码字符分割与识别 |
| 3.1 钢坯编码字符分割提取 |
| 3.1.1 投影分割方法 |
| 3.1.2 形态学分割方法 |
| 3.1.3 实验结果分析 |
| 3.2 钢坯编码字符识别 |
| 3.2.1 基于模板匹配的字符识别方法 |
| 3.2.2 基于BP神经网络的字符识别方法 |
| 3.2.3 实验结果分析 |
| 3.3 本章小结 |
| 第4章 钢坯编码字符识别模块软件实现 |
| 4.1 基于Halcon的钢坯字符识别 |
| 4.1.1 Halcon钢坯编码字符识别流程设计 |
| 4.1.2 结果分析 |
| 4.2 基于深度学习的钢坯编码字符识别 |
| 4.2.1 基于区域候选的目标检测方法 |
| 4.2.2 端到端的目标检测方法 |
| 4.2.3 实验结果分析 |
| 4.3 本章小结 |
| 第5章 钢坯编码字符识别与测温系统实现 |
| 5.1 钢坯测温模块实现 |
| 5.2 系统硬件搭建 |
| 5.2.1 相机及补光灯选取 |
| 5.2.2 红外测温装置 |
| 5.2.3 服务器和工控机 |
| 5.3 系统软件设计 |
| 5.3.1 ftp服务器和图片监听 |
| 5.3.2 钢坯端面匹配和温度采集 |
| 5.3.3 图像预处理和字符识别模块 |
| 5.3.4 数据库对比和信息查询模块 |
| 5.3.5 人工操作选择模块 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间的学术论文 |
| 致谢 |
（3）特殊环境下的车牌识别算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文章节安排 |
| 第二章 基于同态滤波的图像增强算法 |
| 2.1 图像增强算法概述 |
| 2.1.1 空间域的图像增强 |
| 2.1.2 频域的图像增强 |
| 2.2 改进同态滤波图像增强算法 |
| 2.2.1 同态滤波算法流程 |
| 2.2.2 改进型的同态滤波器 |
| 2.2.3 滤波器参数选取试验 |
| 2.2.4 不同图像增强算法效果对比 |
| 2.3 本章小结 |
| 第三章 基于同态滤波和像素间差异值的车牌定位 |
| 3.1 国内车牌特点 |
| 3.1.1 车牌尺寸和颜色标准 |
| 3.1.2 车牌号编码规则 |
| 3.1.3 车牌区域的特点 |
| 3.2 阈值化与数学形态学理论 |
| 3.2.1 阈值化 |
| 3.2.2 数学形态学 |
| 3.3 常用的车牌定位算法 |
| 3.4 基于同态滤波增强和像素间双通道差异值的车牌定位算法 |
| 3.4.1 HSI颜色空间同态滤波增强 |
| 3.4.2 基于像素间双通道差异值的车牌定位算法 |
| 3.4.3 直方图分析 |
| 3.4.4 双通道二值化 |
| 3.4.5 绿色分量置零 |
| 3.4.6 跳变点提取 |
| 3.4.7 投影定位 |
| 3.4.8 跳变点密度检测 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于低秩纹理特征的车牌倾斜与字符分割算法 |
| 4.1 传统倾斜校正算法 |
| 4.2 基于变换不变性低秩纹理的倾斜校正算法 |
| 4.2.1 低秩纹理的定义 |
| 4.2.2 TILT模型的优化求解 |
| 4.3 多分辨率方法 |
| 4.4 几种倾斜校正算法对比 |
| 4.5 基于固定模板的车牌字符投影算法 |
| 4.6 本章小结 |
| 第五章 基于神经网络的车牌字符识别 |
| 5.1 字符识别中的一般困难点 |
| 5.2 常见的几种字符识别方法 |
| 5.3 卷积神经网络 |
| 5.4 双层LeNet-5网络模型字符识别 |
| 5.5 实验与分析 |
| 5.5.1 模型中不同激励函数的比较 |
| 5.5.2 卷积核的四种尺寸对模型识别率的影响 |
| 5.5.3 网络中F5层数量对系统性能的影响 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（4）污损车牌识别系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 车牌识别系统的研究现状 |
| 1.3 本次设计相关技术 |
| 1.3.1 Open CV简述 |
| 1.3.2 SVM分类器 |
| 1.3.3 人工神经网络 |
| 1.4 论文各章节内容安排 |
| 第2章 污损车牌识别系统的总体设计 |
| 2.1 系统总体设计 |
| 2.2 系统软件方案设计 |
| 2.3 系统界面设计 |
| 2.4 本章小结 |
| 第3章 车牌图片处理 |
| 3.1 车牌污损情况分类 |
| 3.2 车牌图片处理流程 |
| 3.3 图像采集 |
| 3.4 车牌污损情况判定 |
| 3.5 污损车牌修复 |
| 3.6 高斯平滑滤波 |
| 3.7 灰度化处理 |
| 3.7.1 图像灰度化分类 |
| 3.7.2 Open CV图像灰度化 |
| 3.8 自适应分段式灰度变换 |
| 3.9 直方图均衡化 |
| 3.10 本章小结 |
| 第4章 车牌提取 |
| 4.1 车牌提取流程介绍 |
| 4.2 图像的边缘检测 |
| 4.3 图像的二值化 |
| 4.4 图像的膨胀腐蚀 |
| 4.4.1 膨胀原理简述 |
| 4.4.2 腐蚀原理简述 |
| 4.4.3 膨胀腐蚀处理 |
| 4.5 车牌图像的分割 |
| 4.6 车牌图像的SVM分类 |
| 4.7 本章小结 |
| 第5章 车牌识别 |
| 5.1 车牌识别流程 |
| 5.2 车牌倾斜校正 |
| 5.3 OCR字符分割 |
| 5.3.1 OCR介绍 |
| 5.3.2 字符分割 |
| 5.4 字符特征提取 |
| 5.5 字符识别 |
| 5.5.1 神经网络识别法 |
| 5.5.2 基于字符特征识别法 |
| 5.6 系统测试结果 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 申请学位期间的研究成果及发表的学术论文 |
（5）基于机器视觉的汽车零部件字符检测系统设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 课题研究难点 |
| 1.4 论文研究内容与组织框架 |
| 1.5 本章小结 |
| 2 检测系统总体设计 |
| 2.1 检测需求分析 |
| 2.2 系统总体方案设计 |
| 2.3 检测系统硬件选型与设计 |
| 2.4 其他硬件选型 |
| 2.5 检测软件模块功能设计 |
| 2.6 本章小结 |
| 3 零件图像预处理 |
| 3.1 零件图像信息增强 |
| 3.2 零件图像滤波去噪 |
| 3.3 零件图像倾斜校正 |
| 3.4 本章小结 |
| 4 压印字符定位、分割和识别方法研究及实现 |
| 4.1 零件字符定位 |
| 4.2 零件字符分割 |
| 4.3 零件字符识别 |
| 4.4 本章小结 |
| 5 系统软件开发与实验结果分析 |
| 5.1 软件开发环境 |
| 5.2 检测系统软件功能实现 |
| 5.3 系统现场验证与结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于LabVIEW的车牌识别小区智能门禁系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外车牌识别系统研究现状 |
| 1.2.1 车牌定位算法发展现状 |
| 1.2.2 车牌字符分割与提取算法发展现状 |
| 1.3 本文重点研究内容及章节安排 |
| 第二章 汽车门禁系统结构设计 |
| 2.1 硬件系统介绍 |
| 2.1.1 车辆检测装置 |
| 2.1.2 拍照装置及触发摄像原理 |
| 2.1.3 处理器及数据采集装置 |
| 2.2 软件系统设计 |
| 2.2.1 LabVIEW软件介绍 |
| 2.2.2 软件处理流程 |
| 2.3 本章小结 |
| 第三章 图像采集与预处理 |
| 3.1 图像采集 |
| 3.2 图像预处理 |
| 3.2.1 图像灰度化 |
| 3.2.2 图像增强 |
| 3.3 本章小结 |
| 第四章 车牌区域定位 |
| 4.1 国内车牌特征 |
| 4.2 车牌定位一般方法 |
| 4.2.1 颜色域分割法 |
| 4.2.2 边缘检测分割法 |
| 4.3 适合本系统的定位法 |
| 4.3.1 阈值分割法 |
| 4.3.2 形态学处理 |
| 4.3.3 特征比值法结合基于标记的分割法精确定位 |
| 4.4 本章小结 |
| 第五章 车牌字符分割与识别 |
| 5.1 典型的字符分割法 |
| 5.2 基于OCR字符分割法 |
| 5.2.1 车牌区域图像二值化 |
| 5.2.2 车牌图像形态学处理 |
| 5.2.3 字符倾斜矫正 |
| 5.3 车牌字符识别 |
| 5.3.1 常用的字符识别算法 |
| 5.3.2 基于LabVIEW的 OCR字符识别法 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 设计方法与成果总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（7）基于BP算法的车牌识别与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 绪论 |
| 1.1 课题研究的意义 |
| 1.2 现状和趋势 |
| 1.2.1 国外的现状 |
| 1.2.2 国内的现状 |
| 1.2.3 存在的问题 |
| 1.2.4 中国车牌 |
| 1.3 论文的主要内容 |
| 2. 图像预处理 |
| 2.1 图像灰度化 |
| 2.2 图像增强 |
| 2.2.1 灰度拉伸 |
| 2.2.2 图像平滑 |
| 2.3 边缘检测 |
| 2.4 本章小结 |
| 3. 车牌定位 |
| 3.1 基本流程图 |
| 3.2 基于数学形态学的定位 |
| 3.2.1 数学形态学的介绍 |
| 3.2.2 基于数学形态学的运算 |
| 3.3 基于投影法的定位 |
| 3.4 对定位后的图像倾斜校正 |
| 3.4.1 倾斜校正模式 |
| 3.4.2 Radon变换的原理 |
| 3.5 本章小结 |
| 4. 字符分割 |
| 4.1 字符分割的方法 |
| 4.2 图像预处理 |
| 4.2.1 图像二值化 |
| 4.2.1.1 Otsu二值化算法 |
| 4.2.1.2 改进的Otsu二值化算法 |
| 4.2.2 去除边框和铆钉 |
| 4.2.3 投影法字符分割 |
| 4.3 字符归一化 |
| 4.4 本章小结 |
| 5. 字符识别 |
| 5.1 字符特征提取 |
| 5.2 模板匹配法 |
| 5.3 BP神经网络法 |
| 5.3.1 BP神经网络简介 |
| 5.3.2 BP神经网络算法的思想 |
| 5.3.3 BP神经网络的改进 |
| 5.3.3.1 附加动量因子 |
| 5.3.3.2 自适应学习步长 |
| 5.3.3.3 综合法 |
| 5.4 BP神经网络的设计 |
| 5.5 Matlab Gui界面 |
| 5.6 实验数据和分析 |
| 5.7 本章小结 |
| 6. 系统应用 |
| 6.1 智能停车场中的系统结构 |
| 6.2 系统硬件 |
| 6.3 系统软件 |
| 6.4 智能停车场的优势 |
| 6.5 本章小结 |
| 7. 总结与展望 |
| 7.1 论文总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
（8）融合Retinex和非下采样Contourlet图像增强的车牌识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 车牌识别系统 |
| 1.1.1 智能交通系统 |
| 1.1.2 车牌识别的简介及应用 |
| 1.1.3 车牌识别系统的结构 |
| 1.1.4 车牌识别技术的发展现状 |
| 1.2 图像增强 |
| 1.2.1 空间域图像增强研究现状 |
| 1.2.2 频率域图像增强研究现状 |
| 1.3 目前常用车牌字符识别算法介绍 |
| 1.4 本文主要工作及结构安排 |
| 第2章 相关理论介绍 |
| 2.1 Retinex算法 |
| 2.1.1 单尺度Retinex(SSR) |
| 2.1.2 多尺度Retinex(MSR) |
| 2.2 Contourlet变换 |
| 2.2.1 拉普拉斯金字塔(LP) |
| 2.2.2 方向滤波器 |
| 2.3 非下采样Contourlet变换 |
| 2.3.1 非下采样金字塔分解(NSP) |
| 2.3.2 非下采样方向滤波器组(NSDFB) |
| 2.4 本章小结 |
| 第3章 融合多尺度Retinex的非下采样Contourlet域的图像增强算法 |
| 3.1 改进算法基本思想 |
| 3.2 NSCT低频子带的多尺度Retinex增强 |
| 3.3 高频分量的非线性增强 |
| 3.4 基于NCPSO优化的增强方法实现 |
| 3.4.1 混沌小生境粒子群优化算法 |
| 3.4.2 增强效果的定量评价及适应度函数 |
| 3.5 实验与结果分析 |
| 3.6 本章小结 |
| 第4章 基于六层的卷积神经网络车牌字符识别 |
| 4.1 六层卷积神经网络的结构 |
| 4.2 卷积的梯度计算 |
| 4.2.1 卷积层及梯度计算 |
| 4.2.2 子采样层及其梯度计算 |
| 4.2.3 网络的训练过程 |
| 4.3 试验结果与分析 |
| 4.4 本章小结 |
| 第5章 系统的设计与实现 |
| 5.1 车牌识别系统设计 |
| 5.2 系统的实现及处理过程 |
| 5.2.1 图像的预处理结果 |
| 5.2.2 车牌定位的实现 |
| 5.2.3 车牌切割的实现 |
| 5.2.4 车牌识别的实现 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（9）基于机器视觉的汽车刹车片外观质量检测系统研发（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 课题研究现状 |
| 1.2.1 机器视觉照明系统设计质量检验方法研究现状 |
| 1.2.2 字符检验算法研究现状 |
| 1.2.3 尺寸测量算法研究现状 |
| 1.2.4 分析和总结 |
| 1.3 本文的研究工作 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 论文章节安排 |
| 2 试验材料与设备 |
| 2.1 试验材料 |
| 2.2 基准值测量设备 |
| 2.3 汽车刹车片字符检验系统硬件设备 |
| 2.4 双相机汽车刹车片卡口尺寸测量系统硬件设备 |
| 2.5 图像采集及处理软件 |
| 2.6 本章小结 |
| 3 刹车片外观质量检测照明系统的质量检验 |
| 3.1 试验照明光源选择 |
| 3.2 试验材料与方法 |
| 3.2.1 照明系统设计与图像采集 |
| 3.2.2 照度特征指标提取及检验标准 |
| 3.2.3 基于图像灰度特征指标的照明系统设计质量检验 |
| 3.3 试验结果及分析 |
| 3.3.1 基于图像灰度特征指标的照明系统设计质量检验训练模型 |
| 3.3.2 基于图像灰度特征指标的照明系统设计质量检验模型测试 |
| 3.4 本章小结 |
| 4 汽车刹车片表面字符压印质量检验方法研究 |
| 4.1 试验图像采集 |
| 4.2 字符区域定位 |
| 4.2.1 图像预处理 |
| 4.2.2 汽车刹车片定位孔定位 |
| 4.2.3 汽车刹车片字符区域定位 |
| 4.3 字符区域二值化 |
| 4.3.1 带有字符轮廓特征的图像获取 |
| 4.3.2 带有字符整体特征的图像获取 |
| 4.3.3 字符区域二值化方法对比与分析 |
| 4.4 字符分割算法 |
| 4.5 字符检验算法 |
| 4.5.1 字符检验方法与步骤 |
| 4.6 试验结果与分析 |
| 4.6.1 字符区域定位正确率 |
| 4.6.2 字符压印质量检验正确率 |
| 4.6.3 字符压印质量检验实时性 |
| 4.7 本章小结 |
| 5 双相机尺寸测量系统研究 |
| 5.1 双相机刹车片卡口尺寸测量原理 |
| 5.1.1 相机标定原理 |
| 5.1.2 卡口尺寸测量原理 |
| 5.2 基于双相机的刹车片卡口尺寸测量硬件系统 |
| 5.3 双相机刹车片卡口尺寸测量试验 |
| 5.3.1 图像采集 |
| 5.3.2 相机标定算法实现 |
| 5.3.3 尺寸测量算法实现 |
| 5.4 测量误差分析 |
| 5.4.1 标准器尺寸偏差对测量结果的误差分析 |
| 5.4.2 相机安装误差对测量结果的误差分析 |
| 5.4.3 相机镜头参数误差对测量结果的误差分析 |
| 5.4.4 光源照明条件对测量结果的误差分析 |
| 5.4.5 边缘斜率偏差对测量结果的误差分析 |
| 5.4.6 测量方法误差对测量结果的误差分析 |
| 5.4.7 测量误差合成 |
| 5.5 试验结果与分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
（10）基于深度学习的多车牌字符识别算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌识别研究现状 |
| 1.2.2 深度学习研究现状 |
| 1.3 多车牌识别技术难点 |
| 1.4 主要研究内容 |
| 1.5 文章结构 |
| 第二章 机器学习与深度学习相关理论基础 |
| 2.1 机器学习与深度学习 |
| 2.2 Adaboost算法理论基础 |
| 2.2.1 Adaboost算法原理 |
| 2.2.2 Adaboost算法应用 |
| 2.3 卷积神经网络理论基础 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.4 卷积神经网络训练 |
| 2.4.1 激活函数 |
| 2.4.2 反向传播算法 |
| 2.4.3 卷积神经网络训练难点 |
| 2.5 本章小结 |
| 第三章 基于Adaboost算法的多车牌检测定位 |
| 3.1 国内车牌特征概述 |
| 3.2 常见的车牌定位算法 |
| 3.3 基于字符跳变和颜色特征的白天多车牌检测 |
| 3.3.1 改进二维离散小波变换的图像增强 |
| 3.3.2 字符跳变检测与颜色空间转换 |
| 3.3.3 车牌轮廓检测 |
| 3.3.4 实验结果分析与展示 |
| 3.4 基于Adaboost算法的夜晚多车牌检测 |
| 3.4.1 分类器训练 |
| 3.4.2 多尺度滑动窗口检测 |
| 3.4.3 实验结果分析与展示 |
| 3.5 本章小结 |
| 第四章 投影连通域判断字符分割和传统字符识别算法 |
| 4.1 车牌倾斜矫正 |
| 4.1.1 常见车牌倾斜矫正算法 |
| 4.1.2 改进的基于车牌角点仿射变换的倾斜矫正算法 |
| 4.2 车牌字符分割算法 |
| 4.2.1 常见字符分割算法 |
| 4.2.2 改进的基于字符投影和连通域判断的字符分割算法 |
| 4.3 车牌字符识别算法 |
| 4.3.1 常见字符识别算法 |
| 4.3.2 改进模板和比对函数的字符识别算法 |
| 4.4 本章小结 |
| 第五章 基于深度学习的车牌字符识别 |
| 5.1 车牌数据集与环境搭建 |
| 5.1.1 车牌数据集 |
| 5.1.2 框架选择 |
| 5.1.3 实验环境搭建 |
| 5.2 改进的基于AlexNet结构的卷积神经网络模型 |
| 5.2.1 AlexNet模型简介 |
| 5.2.2 模型改进 |
| 5.2.3 网络训练 |
| 5.2.4 网络性能参数分析 |
| 5.3 实验结果分析与展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
四、离散K-L变换在汽车车牌字符识别中的应用一例（论文参考文献）
- [1]基于机器视觉的复杂条件下车牌识别研究[D]. 韩伟健. 南昌大学, 2020(01)
- [2]热连轧钢坯编码字符识别与测温系统研究与实现[D]. 尹子豪. 冶金自动化研究设计院, 2020(10)
- [3]特殊环境下的车牌识别算法[D]. 杨士东. 东北石油大学, 2020(03)
- [4]污损车牌识别系统设计[D]. 张帅. 天津职业技术师范大学, 2020(07)
- [5]基于机器视觉的汽车零部件字符检测系统设计与实现[D]. 袁纵青. 中国矿业大学, 2020(01)
- [6]基于LabVIEW的车牌识别小区智能门禁系统[D]. 覃传妹. 广西大学, 2019(06)
- [7]基于BP算法的车牌识别与应用[D]. 吴海雯. 扬州大学, 2019(06)
- [8]融合Retinex和非下采样Contourlet图像增强的车牌识别算法研究[D]. 张解放. 安徽理工大学, 2019(01)
- [9]基于机器视觉的汽车刹车片外观质量检测系统研发[D]. 徐晗升. 中国计量大学, 2019(02)
- [10]基于深度学习的多车牌字符识别算法研究[D]. 黄榜. 合肥工业大学, 2019(01)